El ecosistema Fintech e Insurtech ha logrado la automatización y la democratización en el uso de los datos para contratar servicios financieros que se adaptan mejor al cliente, contribuyendo a una experiencia de usuario final mucho más rápida, ágil, eficaz y segura. Esa es una de las principales conclusiones del webinar “Del dato al hecho: cómo sacar partido a los datos que genera tu empresa”, organizado por AEFI (Asociación Española de Fintech e Insurtech), que contó con el patrocinio de PiperLab y la participación de AWS (Amazon Web Services), y donde diferentes expertos arrojaron luz a las posibilidades y el rendimiento que se pueden obtener de un análisis y una gestión óptimos de datos, así como las herramientas están disponibles en este ámbito para el ecosistema Fintech.

Leyre Celdrán, Business Manager de AEFI, analizó algunas de las ventajas que la gestión del dato propicia para todas las compañías de los diferentes verticales de negocio que conforman el ecosistema Fintech. Celdrán aludió al componente B2C del negocio de las Fintech y a la importancia de los pagos y sus aplicaciones como sima de conocimiento sobre los clientes a la hora de obtener datos que se puedan utilizar.  

“A diferencia de las Bigtech, como las cuatro grandes tecnológicas GAFAs (Google, Amazon, Facebook y Apple) que hace uso de los datos para enviar publicidad masiva y para que el usuario no tenga que salirse de su entorno para realizar un pago, las Fintech utilizan el dato para customizar productos financieros y de seguros que puedan mejorar la vida del cliente. El Data Driven permite realizar una elección más eficaz del producto”, explicó Leyre Celdrán. En este escenario, el uso de la tecnología se convierte en un facilitador del desarrollo para mejorar en términos de seguridad, eficacia, transparencia y costes más bajos, lo que democratiza el sector y lo hace más robusto, aunque siempre debe estar acompañado por un entorno regulatorio propicio que permita ampliar y mejorar la seguridad y la protección.  

La Business Manager de AEFI hizo una mención especial al negocio asegurador, donde “el uso y almacenamiento de los datos puede permitir una digitalización de pólizas y contratos, la reducción de tiempos y costes en la gestión de siniestros, gracias al videoperitaje, la custodia de datos delicados, en el ámbito de los seguros de salud, y, por último, ofertar productos mucho más personalizados según el perfil de cada cliente”.

Alejandro Llorente Pinto, co-fundador de PiperLab y Senior Data Scientist, se encargó de exponer el papel de los datos y su valor en el ecosistema Fintech, destacando la importancia de que las decisiones de negocio estén apoyadas por datos y modelos predictivos. En el proceso de conseguir atraer la mirada de clientes finales o buscando partnership en empresas de la industria tradicional, Llorente alude a una serie de factores que deben tener en cuenta las startups: estructuras ligeras y costes bajos (los cuales se consiguen a través de la automatización) tanto en recursos humanos como en infraestructura tecnológica, la escalabilidad y, finalmente, la naturaleza de la idea y el valor de negocio de la misma. Además, Llorente explica que la implementación de algoritmos de Machine Learning, el Big Data y la Inteligencia Artificial va más allá, y que “los datos son la base para entrenar modelos predictivos que permitan desarrollar procesos más eficientes y crear organizaciones más ágiles”.

Pedro Romera Business, Development Manager de Amazon Web Services (AWS) en España, analizó las diferentes aplicaciones del Machine Learning como un vector clave para la transformación digital, en operaciones con negocio, el proceso de toma de decisiones y para crear innovación que genera una ventaja competitiva con respecto a otros operadores. Romera explicó que cualquier nueva innovación que lanzan, se hace pensando en qué quiere y qué necesita el cliente, trabajando desde atrás. Y este proceso necesita datos para poder alcanzar el objetivo y crear un modelo de Machine Learing óptimo. En este sentido, el experto aludió a la importancia de la estrategia de datos como un input fundamental sin el que es imposible el Machine Learning. Comentó que con los datos se pueden crear algoritmo para lograr objetivos, como por ejemplo incrementar el número de pasajeros en una empresa de transporte. Romera compartió que se trata de traducir los datos de entrada en KPIs que afectan al negocio y para ello es fundamental tener mecanismos que permitan medir los resultados.  

En este sentido, las compañías que quieran utilizar Machine Learning se enfrentan al reto de tener los datos centralizados, perfiles adecuados y herramientas para medir los resultados. ¿Qué datos se pueden alcanzar con el Machine Learing? Romero distingue entre los que afectan a la estructura, relacionados con la detección de fraude, manipulación de los mercados…y los que tiene relación directa con la experiencia del cliente, en el ámbito de la autenticación, gestión de contratos, pricing y scoring…